前言：關于進化

　　去年的CHIMA大會上，王才有主任有句話讓人印象深刻：現在進入了一個沒有教科書的時代，自我進化是唯一的選擇。

　　職場路上，每個人都想持續進化，提升自我，但是沒有教科書，就得有個參照物，最好能看得懂它背后的邏輯，才能學習借鑒。

　　從去年年底至今，以ChatGPT為代表的AIGC(AI Generated Content，人工智能生成內容)技術，一直是IT圈最大的熱點，也展現了AI可怕的進化能力。

　　AI在進化過程中，一直將人作為重要參考對象和標的，比如模仿人腦的神經網絡去思考，人腦的神經網絡也是人工神經網絡(ANN)的技術原型。

　　盡管人腦與電腦之間并沒有簡單的對應關系，但是可以借鑒一些AI領域的思想和經驗。比如，廣為人知的AI三要素(算力、算法、數據)，同樣適用于人：算力是人思考的速度，算法是人思考的角度，數據是一個人過往所有經歷的精華集錦。

　　在這樣的前置條件下，產生一個有趣的問題：可否像訓練AI一樣去訓練自己，保持進化，持續進步。

　　以下談談我自己的理解，不到之處，請批評指正。

　　1算力：七分天注定，三分靠“苦練”

　　來自媒體的數據顯示，ChatGPT的總算力消耗約為3640PF-days(即假如每秒計算一千萬億次，需要計算3640天)，需要7~8個投資規模30億、算力500P的數據中心才能支撐運行。為此，微軟的Azure云服務為ChatGPT構建了超過1萬枚英偉達A100 GPU芯片的AI計算集群。

　　這樣的算力規模讓人咂舌，人不可能像電腦一樣通過頻繁地升級硬件來提升自身的通用算力，況且，人的通用算力，先天身體素質占了很大因素。但是，具體領域的算力，還是可以通過一定的方法得到提升。

　　(1)熟能生巧，勤能補拙。

　　通過高質量的訓練，提高單位時間內的運算能力，持續釋放算力潛力。小時候練書法，臨摹字帖是必由之路。先練筆畫，再練常用字，達到一定熟練程度之后，面對從未見過的字，也能把它寫得很好。后來學英語、下圍棋也是如此，反復背誦經典句型、基本定式等，熟練掌握后，遇到具體場景，很快地迎刃而解。從這個角度看，個人的算力，更像是一種由已知推導未知的推演能力，高質量的訓練，會讓這種能力得到有效提升。

　　(2)保持專注，合理分配。

　　通過合理分配，盡可能把算力集中在更有價值的任務上。同時，摒棄無意義的思考，清空腦中的雜念，減少對算力的無端消耗，通過培養良好的生活和運動習慣，讓自己的算力盡快恢復，盡可能長時間地處于最優算力區間。

　　2算法：觸類旁通，持續調優

　　計算機和人工智能賦予了“算法”特定含義，但從廣義上講，“算法”無處不在。面對問題時，“按部就班”是一種算法，“未雨綢繆”也是一種算法;待人接物中，“心直口快”是一種算法，“深思熟慮”也是一種算法。

　　算法中蘊藏的很多智慧和經驗是相通的，作為IT行業工程師，對此應該有更敏銳的認識。

　　比如，決策樹算法是機器學習算法中的經典算法之一，主要起到分類器的作用，可以讓很多復雜問題簡單化。在平時工作中，面對一個復雜問題或大項任務，有些人第一反應是畏難情緒和無從下手的困惑感，而有些人則會刪繁就簡，很快抓住問題的要害，在腦海中迅速形成決策樹，更有厲害的人，還會借鑒決策樹算法中的剪枝操作，對腦海中初次形成的決策樹進行優化修正。

　　算法的優劣直接導致了人工智能的水平高低，放在人身上同樣適用。

　　再比如，神經網絡訓練結果不佳時，一個常見策略是回頭調參，反復嘗試。很多深度學習算法工程師經常被戲稱為調參工程師，就是因為深度學習大部分時間都在調整參數，反復地trial-and-error，沒有捷徑可走。當然，調參也是個技術活，盲目調參可能會適得其反。

　　從個人角度看，調參即復盤檢討：當你覺得一件事沒有達到預期時，趁著余溫未涼，記憶尚存，趕緊回頭復盤，圍繞關鍵環節、關鍵人進行反思調整，找出可能的原因，形成新的策略，應用于下一次實踐，長此以往，才能逐漸接近自己理想的結果。工作中養成常復盤檢討、勤更新策略的習慣，在應對不斷變化的外部環境時，方能顯得更為從容。《論語·學而》中提到的“吾日三省吾身”，也體現了古人對于調參的領悟。

　　3數據：食材很重要，既要吃飽還要吃好

　　眾所周知，數據是AI算法的“飼料”。上文在討論算力時，提到了經典教材、臨摹字帖等教具，站在AI的角度，這些教具都是經過歷代專業用戶標注的優質數據。這些優質數據，讓初學者一上來就站在了前人的肩膀上，起步即加速。相反，一套質量堪憂的數據，喂得越多，對用戶誤導越大，起步就掉坑。俗話說，跟臭棋簍子下棋，越下越臭，說的就是這個道理。

　　當下最不缺的就是數據，獲取數據的門檻在不斷降低。作為一個IT工作者，大家手里可能都有一個甚至幾個網盤，里面塞滿了各種教程、指南。越是這樣，對于訓練數據的選擇，可能要更加慎重，盡可能找一本經典教材或是別人標注過的優質數據，深學細悟，避免在低質量的數據里浪費時間和算力。

　　高質量的訓練數據，除了他山之石，也可以從自身提煉。開篇說過，數據是一個人過往所有經歷的精華集錦。為什么要特意加上“精華集錦”呢?因為一個人過往的所有經歷是流水賬，流水賬這種原始數據，是不能拿來訓練的。必須要經過清理、結構化和標注等預處理，才能作為訓練數據。

　　再比如，在深度學習中，為了解決數據單一問題，通常會采用數據增廣方法，讓數據極盡可能的多樣化，使得訓練的模型具有更強的泛化能力。例如在傳統圖像算法中，常用縮放、平移、旋轉、仿射等幾何變換來進行數據增廣。

　　數據增廣，就是多角度認識事物，避免思考問題角度單一化。我剛到基層醫院信息科工作時，更多地是從事數據庫運維工作，用得最多的教材便是“軍衛一號數據結構手冊”。基層人少事多，慢慢地，人不夠用的時候，我也被機關拉去參加行政查房、院周會等醫療管理活動。同樣的醫療概念，站在之前的IT視角，它就是軍衛手冊上的表和字段。現在，站在醫療視角，溫故知新，之前抽象的、純IT的內容，便與醫療業務中具體的工作流程、規章制度產生了映射關系，也讓我對醫療的認識更加全面具體。

　　4總結

　　俗話說，內行看門道。作為IT圈的一份子，醫信從業者對人工智能應該有更深刻的認識，更敏銳的思考：不僅局限于關注面上的熱點，更應從自己的專業視角出發，去探究AI發展背后的邏輯和規律，為我所用。

　　文章有點長，其中有很多跨行業的思考和認識，認識不一定到位，道理也不一定對，感謝讀者的時間，不足之處還請批評指正。

　　作者簡介

　　李楠，CHIMA青年委員。現從事醫院管理和信息化工作。作者觀點僅代表個人，純屬技術交流，與供職單位無關。